Ein Forschungsteam unter der Leitung von Professor Moeto Nagai, bestehend aus Forschern der Fakultät für Maschinenbau und des Electronic Inspired Interdisciplinary Research Institute (EIIRIS) der Toyohashi University of Technology, hat KI erfolgreich eingesetzt, um eine Einzelzellenisolierung zu erreichen.
Das Verfahren beinhaltet die Verwendung von Mikrovertiefungen zur Isolierung einzelner Zellen und die Anwendung von Deep Learning auf die mikroskopischen Bilder, die einzelne Zellen in den Mikrovertiefungen enthalten. Das vom Team vorbereitete maschinelle Lernmodell ermöglicht es, einzelne Zellen in mikroskopischen Bildern automatisch zu erkennen und den menschlichen Aufwand zu reduzieren. Die Erfassung einer großen Menge an Einzelzelldaten ermöglicht es Forschern, die Eigenschaften und Funktionen einzelner Zellen effizient zu untersuchen, was zur Etablierung neuer Behandlungsmethoden führen kann.
Eine Zelle ist die grundlegendste Einheit des Lebens, und die Aufklärung von Zelleigenschaften kann zu einem besseren Verständnis erkrankter Zellen und damit zur Entwicklung neuer Behandlungsmethoden beitragen. Es besteht ein wachsendes Interesse an der Entwicklung von Methoden zur Isolierung einzelner Zellen, um ihre Funktionen zu untersuchen. Die physikalische Isolierung einzelner Zellen erfordert jedoch Zellstrukturierungswerkzeuge. Da der Nachweis einzelner Zellen häufig auf dem menschlichen Auge und der Klassifizierung beruht, war der menschliche Aufwand ein Engpass, der die Datenerfassung behindert hat.
Zunächst entwickelte das Forschungsteam ein Verfahren zum Isolieren und Einfangen einzelner Zellen in Mikrovertiefungen mit einem Durchmesser von 30 μm, die in einem durch optische Musterung gemusterten Hydrogel gebildet wurden. Das mikrogemusterte Hydrogel bietet die Vorteile von Komfort und Stabilität. Diese Mikrowell-Strukturen ermöglichten es dem Forschungsteam, menschliche Einzelzellen erfolgreich aus einer Zellsuspension zu isolieren. Da das Hydrogel sehr biokompatibel ist und eine lange Inkubationszeit in einem Zellmedium überstehen kann, konnte der Beobachtungszeitraum des Zellverhaltens verlängert werden.
Als nächstes klassifizierte das Forschungsteam die in Mikrovertiefungen mit einem Durchmesser von 30 μm eingeschlossenen Zellen hinsichtlich des Vorhandenseins oder Fehlens einzelner Zellen und verwendete die Bilder als Trainingsdaten, um Deep Learning durchzuführen. Das aus dem Lernen resultierende Objekterkennungsmodell könnte dann verwendet werden, um das Vorhandensein einzelner Zellen basierend auf Eingangsbildern zu erkennen. Dadurch war es möglich, das Vorhandensein einzelner Zellen mit einer mittleren durchschnittlichen Genauigkeit (mAP) von 0,989 (je höher, desto besser) und einer durchschnittlichen Inferenzzeit von 0,06 Sekunden (je kürzer, desto besser) vorherzusagen. Dieser Algorithmus bietet eine hohe Erkennungsgenauigkeit bei gleichzeitiger Reduzierung der Experimentzeit, was zu einer Verbesserung der Hochdurchsatz-Einzelzellanalyse führt.
Zunächst nutzte das Forschungsteam Hellfeldmikroskopiebilder als Eingangsdatensätze, die üblicherweise für die Beobachtung einzelner Zellen verwendet werden, aber da diese Bilder keinen hohen Kontrast boten, waren der Verbesserung der Detektionsfähigkeit Grenzen gesetzt. Die Leistung stagnierte bei einem mAP von 0,801 und einer durchschnittlichen Inferenzzeit von 0,09 Sekunden.
Das Team wechselte dann zu mit fluoreszierenden Farbstoffen gefärbten Zellen und zur Verwendung von Fluoreszenzmikroskopiebildern als Eingabedatensätze, was es ihnen ermöglichte, nach 1.200 Trainingsepochen eine Konvergenz bei einem mAP von 0,989 zu erreichen. Dies deutet darauf hin, dass auch für den Einsatz von KI die Aufbereitung von kontrastreichen Eingangsdatensätzen wichtig ist, die es dem Menschen erleichtern, das Vorhandensein der Zellen zu erkennen.
Forschungsteamleiter Moeto Nagai erklärt: „Wir wollten KI auf die Erkennung einzelner Zellen anwenden. Da ich bisher hauptsächlich experimentelle Forschung betrieben habe, schien mir die Nutzung experimenteller Daten für die KI-Forschung ein erhebliches Hindernis zu sein.“ Die Teilnahme der Doktorandin Tanmay Debnath, der Hauptautorin unserer Studie, die Erfahrung in der Erforschung und Entwicklung von KI-Technologie hat, hat dazu geführt, dass wir KI schnell nutzen konnten, und hat letztendlich zum Erfolg unserer Entwicklung geführt.“
Die von dieser Forschung entwickelte Einzelzellisolierung und -detektion kann auch verwendet werden, um die Aktivitäten einzelner Zellen automatisch zu überwachen. Diese Forschung erzielt eine genaue und hochzuverlässige automatisierte Zelldetektion bei gleichzeitiger Reduzierung der menschlichen Arbeit. Zukünftige Anwendungen für die Einzelzellanalyse umfassen medizintechnische Anwendungen in einer Vielzahl von Bereichen wie Krebsdiagnose, Immunantwort und Screening zur Entdeckung von Arzneimitteln, die zur Entdeckung neuer Behandlungsmethoden beitragen werden.
Die Ergebnisse werden in der Zeitschrift veröffentlicht Wissenschaftliche Berichte.
Mehr Informationen:
Tanmay Debnath et al, Automatisierte Erkennung von gemusterten Einzelzellen in Hydrogelen mit Deep Learning, Wissenschaftliche Berichte (2022). DOI: 10.1038/s41598-022-22774-0